7月初上海楼市新政细则落地，社保年限要求微调、部分区域限购门槛变化，这些条款在社交平台上一片混乱。然而在一家名为中教的房产中介门店，门店中介的工作人员不再是在微信群里发长截图、挨个回消息！他们向客户推送的是一个叫“看房助手”的AI问答链接，让客户自己问。
这是一个跑通了政策解读、摇号概率计算和合规边界的自主智能体。2026年了这个场景终于不再是发布会上的Demo（演示）。它解决了一个极其具体的问题：在不把话说死的前提下，帮用户算清楚他在上海新政下到底有没有购房资格，看中的楼盘能不能摇到号。
方正证券的U龙路线与边缘红线
要理解这个Agent的难点，必须提及二个月前的一起行业事故。今年6月，方正证券的研究报告AI系统出现了一次严重乌龙，直接编造了一份“国务院楼市新政”的条款，并将其写成专业报告发布，导致市场对政策预期的误读。
这一事件给所有试图用大模型做“政策解读”的团队敲响了警钟。中教的技术负责团队心知肚明，传统的概率生成模型在没有外部知识库前，最喜欢做的工作就是“合理编造”，且听起来异常权威。在买房这种动辄百万的重大金融决策中，AI少说一个限购条件，客户就可能白白交了几十万认筹金。
因此，当这套Agent工作流在7月初上线时，团队所做的第一件事不是优化闲聊体验，而是给AI上了一把“禁言锁”——所有关于政策的回答，必须命中后台的官方文档知识库才能输出，否则直接回复无法回答。
查比编更难：RAG系统架构的实记忆设计
要让模型不留幻觉，光提示词描述是不够的，必须要有硬性的架构保障。
如果你熟悉传统向量检索的局限，就会知道在处理政策文件这种频繁更新、且条款高度相似的场景中是多么脆弱。在上海楼市新政这种场景中，7月3日的条款把7月1日的某项规定替代了，普通的向量检索系统往往只会找到距离最近的文本段落。
中教的这套RAG系统没有采用简单的文本切片索引方案，而是引入了时间戳排序和版本控制。具体来说，他们的官方文件在进入向量数据库前，会先经过一个文档解析器，提取出“政策条款编号”、“生效日期”和“适用区域”作为结构化的元数据。正如我们在《别光写正则：企业检索增强生成落地踩过的坑》中所剖析的，在面对复杂的非结构化PDF和嵌套表格时，传统的字符切片方案频繁翻车。中教团队将政策文档的结构化解读结果绑定到向量检索的召回结果中，并强制要求按照时间戳进行二次过滤，确保用户问及“当前最新社保要求”时，系统不会给出半年前的数据。
在工具调用层面，这个Agent工作流接入了三个核心插件：一个是上海规自委和房管局网站的RSS订阅器，用于监控政策更新；第二个是接入各大红盘的官方摇号数据接口，用于实时计算出积分门槛；第三块则是中教内部CRM系统中的历史成交价格数据库。这三个工具被一个名为Router的大模型根据用户的自然语言问题进行路由分发。
如果用户问“我在杭州有两套房，现在交了三年上海社保，能买内环吗？”这种多跳推理问题，Agent会先调用政策知识库检索当前限购条件，再调用一个简单的计算器工具进行购房资格核验，最后输出一条符合规范的话术，整个过程平均耗时在四秒左右。
算命模型之外：摇号概率的硬约束计算
帮用户查资格只是第一步，真正让客户愿意用下去的，是“看中签率”这个功能。这恰恰是大模型最容易翻车的地方。你不能用大模型去做概率估计，因为模型本质上是不擅长数学统计的。它真正能做的，是把规则解析完后，将参数交给一个确定性的概率计算器。
中教的Agent在这里展示了一个非常漂亮的工具链调用。当用户输入“我想看前滩某楼盘的摇号概率”时，模型并不会直接回答，而是将其拆解为一个API调用任务：先调用摇号数据接口获取该项目过去三期入围分数线，再调用用户的积分查询接口（中教内部预登记），并匹配当前批次的总摇号人数和房源数比。大模型负责将API返回的JSON数据填充到预设的模板中：“您当前62分，历史入围线为58分，本次推盘200套，预计认购组数为850组，您的基础中签概率高于平均线。”
这套流程类似于一个简化版的决策树。Agent调用的不是大模型的计算能力，而是它的意图识别和参数提取能力。这其实回归了智能客服的本质——不是回答一切，而是精确路由一切。在非标服务行业，用户不关心你是怎么实现的，他们只关心你给的数字准不准。这也契合了我们在《手机AI越过对话框，厂商开始争夺系统调度权》中的判断：Agent的较量已经开始落到任务拆解、工具调用和可确认的结果交付上。
兜底逻辑：当模型不知道答案时应该怎么办
大模型做客服最常见的短板是“不懂装懂”。在房产这种强监管行业，不懂装懂的成本是不可接受的。方正证券的前车之鉴就是最典型的案例：模型根据预训练语料中的历史政策模式，拟合出了一套看似合理的措施。
中教的技术团队给Agent设定了三道硬性边界。首先是拒答机制。当用户问出超出知识库覆盖范围的问题——比如问及“未来三个月还会不会出新政”，系统不会调用LLM生成内容，而是返回标准的兜底话术：“当前无法预测未来政策走向，请关注官方信息发布渠道。”
其次是人工无缝接管机制。对话上下文每时每刻都在同步传给门店的经纪人后台。一旦监测到用户出现高频的情绪化用词，或者频繁询问同一个问题，系统会触发提醒，让真人中介介入。这不是单纯的智能客服替代人，而是人机协同在服务链路中的深度耦合。机器负责高并发、规则明确的查文档和算概率工作，人去共情、去谈价、去填补模型的盲区。
Token经济账与非标服务的复制边界
这套基于腾讯混元3大模型的Agent系统，上线两周后内部压力测试给出了一个更实际的经济学账单。腾讯在7月6日正式发布混元3大模型正式版，中教的技术团队在第一时间将其底座从preview版切换到了正式版，原因很直白：幻方率更低，函数调用的稳定性提升，而且把后训练的算力放到了腾讯云上后，单次四轮的Agent交互成本控制在人民币0.07元左右。
对于一个日均服务一千多个高意向看房者的中介来说，这意味着每天不到一百元的AI调用费用，却替代了原本至少需要三名初级客服每天做重复劳动的购房初筛工作。我们之前在《Llama 5 预览背后，模型厂商开始认真算Token账》中讨论过，决定模型落地的关键已不仅是参数和上下文窗口，而是Token效率。在房产中介这种利润率并不算高的传统非标服务业，大模型能否落地，本质上是一道关于单次任务Token成本的数学题。
2026年这一轮自主Agent在垂直场景的落地，已经远离了包打天下的幻觉。中教的实践证明了一点：你不需要一个能写诗的AI，你需要一个能把政策文档按时按刻切开喂给用户、并且止步于概率计算之外的合规机器。当AI不再试图回答一切时，它才真正在业务中站稳了脚跟。
